Avainsana: Koneoppiminen
Digi-Salaman tekoälytapaukset
Tekoäly on teknologia, jota voidaan soveltaa kaikessa digitaalisessa toiminnassa, jossa tarvitaan ohjelmointia. Tämä artikkeli on jatko-osa kirjoitukseen (Tekoälyllä kohti ketterää digisalamointia, Robologi), jossa käsiteltiin tekoälyä Digi-Salaman ja ympäristön suhteen yleisellä tasolla. Digi-Salamassa oli useita projekteja eri toimialoilta. Ne oli jaoteltu teemoittain, joista yksi oli Tekoäly ja koneoppiminen automaatiossa. Tässä katsauksessa tarkastellaan seuraavaksi viittä edellä mainitun teeman osalta projektissa mukana ollutta yritystä. Fleetlogis Fleetlogis Oy on suomalainen tietotekniikkayritys, joka tekee logistiikan tietojärjestelmiä. Yrityksellä on taustaa myös elektroniikka- ja automaatiopuolelta[2], johon liittyen käynnistettiin innovaatioprojekti tutkimaan huoneilman pitoisuuksia, lähinnä hiilidioksidia. Projektin käynnistysvaiheessa Fleetlogisin edustaja ilmaisi yrityksen kiinnostuksen ja tarpeen kehittää verkkovirralla toimiva etäluettava ilmanlaadun mittaussalkku hyödyntäen antureita ja Teltonika FMB120 -seurantalaitetta, joka lähettää dataa Fleetlogis Oy:n käyttämälle palvelimelle mobiilisti sim-kortin avulla. Tavoitteena oli selvittää mittaustulosten tarkkuus, mutta Digi-Salama-projektin päämääräksi rajattiin luokkahuoneen todellisen käytön kartoittaminen. Tämä tehtiin mittaamalla ilmasta paikalla olijoiden tuottamaa lämpötilaa, kosteutta sekä hiukkasia ja tarkastelemalla tuloksia suhteessa luokan varauslistaan. Projektissa hyödynnettiin Fleetlogisin omia laitteita. Datan lukemiseen käytettiin Fleetlogis Flex -nettisivua, josta voi lukea mittaustulokset ja luoda niistä erilaisia grafiikoita ja raportteja. Antureiden konfigurointiin käytettiin Teltonika Configurator -ohjelmaa. Fin-Chinagate Fin-Chinagate-yrityksen visiona on tuoda suomalaista teknologiaa esille Kiinassa sekä luoda alusta kansainväliselle kommunikaatiolle Kiinan ja Suomen välille nykyteknologioita hyödyntäen.[3] Fin-Chinagate uskoo, että uusien teknologioiden käyttö on askel kohti maiden välistä yhteistyötä, erityisesti yritysten ja korkeakoulujen kesken. Digi-Salama-hanke kokeili yhdessä yrityksen kanssa kommunikointi- ja etäopiskelualustaa Kiinan ja Suomen välillä. Testissä käytettiin kiinalaista Mythware-järjestelmää sekä Fin-Chinagaten kehittämää Smart System -konseptia, joka sisältää simultaanitulkkauksen kääntäen englannin kieltä kiinaksi ja kiinaa englanniksi suorassa lähetyksessä. Osana projektia Digi-Salama etsi myös seuraavia askeleita varten halukkaita yhteistyökumppaneita Smart Systemin jatkotestaamista varten. Tavoitteena on huomioida eurooppalainen säännöstö, etenkin GDPR, koska tiedonkäsittelyssä sovellettavat palvelimet sijaitsevat Kiinassa. Fonecta Fonecta kerää ja ylläpitää henkilöiden ja yritysten kontaktitietoja. Kokoamiensa tietokantojen avulla Fonecta palvelee asiakkaitaan tarjoamalla ajantasaisia yhteystietoja.[4] Fonectan ongelmina ovat usein vaihtuvat yhteystiedot ja tasalaatuisen datan puute. Yllä pidettävistä tiedoista muuttuu vuosittain suuri osa, ja nämä muutokset tulevat asiakkailta itseltään. Tällöin on hankalaa hallita tietojen eheyttä: Ovatko kaikki tiedot syötetyt järjestelmään? Muun muassa yritysten web-osoitteet ovat usein puutteellisia. Ovatko tiedot oikein tallennetut? Ovatko esimerkiksi osoitetiedot asianmukaisesti syötetyt, jotta paikantaminen olisi mahdollista? Ihmistyönä kyseessä on hankala urakka, koska virheelliset ja epäilyttävät rivit pitää ensin etsiä ja sitten analysoida. Tehtävä kuulostaa sopivalta robotille, mutta siltäkin vaaditaan älykkyyttä mukautumattomien sääntöjen sijaan. Fonectan Digi-Salama-projektit etenivät kahdessa vaiheessa: ensin olivat vuorossa innovaatioprojektit ja niistä jatkoksi tehty opinnäytetyö. Innovaatioprojektiosuudessa käytiin läpi tarpeita ja mahdollisia ratkaisumalleja, joista vaihtoehdoiksi nousivat ohjelmistorobotiikka ja luonnollisen kielen prosessointi (Natural Language Processing - NLP). NLP:n avulla saavutettuja lupaavia tuloksia lähdettiin kehittämään edelleen opinnäytetyönä. Sime Sime Oy on insinööritoimisto, joka on erikoistunut automaattiseen palkkien käsittelyyn ja siirtelyyn. Projektiaiheena oli tutkia mahdollista alumiinituotannon robotisointia tai kobotisointia edellä mainitussa työskentelyssä. Palkkien siirtämisessä tarvittavien koukkujen annostelua tehdään tällä hetkellä käsin. Koukut kerätään alumiiniprofiilien purkamisen yhteydessä, jonka jälkeen ne puhdistetaan ja tuodaan takaisin alkupisteeseen. Alkupisteessä työntekijät asettavat koukut alumiiniprofiileihin toisesta päästä, ja toisesta päästä koukut ripustetaan kuljettimeen. Projektin tavoitteena oli tuotannon nopeuttaminen sekä fyysisen työn keventäminen mahdollisella robotilla tai kobotilla. Kobotin ja robotin avuksi tarvitaan myös konenäköä, antureita sekä koukkujen annostelija, jotta koukkuja pystyttäisiin ottamaan helposti. Projektiryhmä kehitti toteutukselle kaksi vaihtoehtoa, joista tehtiin yksinkertaistetut simulaatiot. Simulaatioiden avulla nähtiin, että teoriassa robotti kykenee suorittamaan ripustuksen molemmissa vaihtoehdoissa, mutta ratkaisujen toimiminen käytännössä vaatisi kokeiluja oikeilla kappaleilla. Simulaatioissa käytettiin ABB:n IRB 1600 -robottia, koska se täytti parhaiten annetut kriteerit. Digi-Salaman aikana tehtiin myös IoT-tekniikoiden käyttöönottoon liittyvä opinnäytetyö. Siinä otettiin esille meneillään oleva suuntaus, jossa vanhempaan teknologiaan perustuvia laitteistoja voidaan päivittää IoT-maailmaan.[7] Assemblin Assemblin Oy on vuonna 2006 perustettu kiinteistötekniikan yritys, joka tarjoaa ilmaan, veteen ja energiaan liittyviä järjestelmiä Suomessa, Ruotsissa ja Norjassa.[8] Assemblin osallistui Digi-Salamaan innovaatioprojektin ja opinnäytetyön teettäjänä. Tavoitteena oli kehittää kiinteistön lämpötilan hallintaa ohjaavaa tekoälyä hyödyntäen Ilmatieteen laitoksen tarjoamaa sääennuste- ja auringonsäteilydataa. Yrityksellä itsellään oli jo kokemusta älykkäiden algoritmien soveltamisessa lämmityksen/viilennyksen tarpeen ennustamisesta. Nyt tämä tehtävä annettiin Digi-Salaman yhteyteen käynnistetylle innovaatioprojektiryhmälle syksyllä 2020. Myöhemmin keväällä 2021 projektissa aloitettua työtä päätettiin syventää opinnäytetyöksi. Projektissa oli neljä vaihetta. Ensimmäisessä vaiheessa tutustuttiin Assemblinilta saatuun testilaitteistoon ja perehdyttiin sen toimintaan. Toisessa vaiheessa testilaitteella vastaanotettiin testidataa ja tutustuttiin testilaitteen toimintaan käytännössä. Kolmannessa vaiheessa tehtiin testaus pienoismallin avulla. Pienoismallissa rakennuksena käytettiin laatikkoa, johon asennettiin lamppu simuloimaan lämmitintä sekä anturi mittaamaan lämpötilaa laatikon sisältä. Testien perusteella selvitettiin, miten laitteisto toimii ja tehtiin hienosäätöjä tarvittaessa. Neljäs ja viimeinen vaihe sisälsi testauksen isommassa mittakaavassa Myllypuron kampuksella. Siellä valittua tekoälyalgoritmia käytettiin ohjaamaan Myllypuron kampuksen testitiloja. Samalla seurattiin niiden energian käyttöä jota pyrittiin myös optimoimaan. Vaikutukset osallistuneiden yritysten kilpailukykyyn Tekoälyä soveltaneiden projektien seurauksena yritykset saivat uusia näkökulmia kilpailukykynsä parantamiseksi. Näitä olivat mittausten pohjalta tehtävät ennustukset ja niihin liittyvät toimenpiteet. Esimerkkeinä voidaan mainita Assemblin ja Fonecta, joista molemmilla oli jo entuudestaan jonkin verran kokemusta tekoälyn soveltamisesta. Digi-Salamaan osallistuminen synnytti molemmissa yrityksissä myös joukon uusia ajatuksia ulkopuolisen datan hyödyntämiseksi tekoälymallien kehittämisessä. Seuraava askel voi olla syväoppimisen käyttöönotto niin mallin opettamisessa kuin sen vahvistamisessa. Fonectalle puolestaan kasvoi lisää osaamista NLP:n uusimpien teknologioiden käyttämisessä älykkääseen aineiston tarkastamiseen ja muokkaamiseen. Koneoppimisen ja tekoälyn tulosindikaattorit Digi-Salamassa 16 20 21 22 CO04 CO28 CO29 Fleetlogis 1 1 0 0 1 0 1 Fin-China 1 1 0 0 1 0 1 Fonecta 1 0 0 0 1 0 1 Sime 1 0 0 0 1 0 0 Assemblin 1 1 0 1 1 0 0 Taulukon tunnusten selitykset 16 Yritys, joka käynnistää TKI-toiminnan tai TKI-yhteistyön yliopistojen, korkeakoulujen tai tutkimuslaitosten kanssa 20 Yritys, johon syntyy uusiutuviin energiaratkaisuihin tai vähähiilisyyden tukemiseen perustuvaa uutta liiketoimintaa 21 Start-up yritys, jolla on merkittävät valmiudet uuden tuotteen, palvelun tai tuotantomenetelmän kehittämiseen 22 Yrityksen avoimen tiedon ja rajapintojen avulla toteuttamat uudet sovellukset CO04 Muuta tukea kuin rahoitustukea saava yritys CO28 Yritys, joka kehittää uuden tai merkittävästi parannetun tuotteen markkinoille (tuote on uusi markkinoilla) CO29 Yritys, joka kehittää uuden tai merkittävästi parannetun tuotteen markkinoille (tuote on uusi yritykselle) Fleetlogis Yritykselle syntyi osittain uusi IoT-pohjainen sovellus, joka auttaa logististen operaatioiden suunnittelussa ja optimoinnissa. Tämä tukee CO2-jalanjäljen pienentämistä. Fin-China Yritykselle syntyi testausvalmis etäneuvottelukonsepti + tämä tukee VR/AR-pohjaista yhteydenpitoa ilman matkustamista. Tämä tukee CO2-jalanjäljen pienentämistä. Fonecta Yritykselle syntyi uusi koneoppimispohjainen sovellus asiakastietojen käsittelyyn. Sime Yritykselle syntyi uutta tietämystä kobotiikasta ja koneoppimisesta sekä uusi alustava konsepti IoT-laitteistosta, jolla koneoppimista voitaisiin hyödyntää. Assemblin Yritykselle syntyi valmiuksia käyttää koneoppimista kiinteistöautomaation ohjauksessa. Tämä tukee CO2-tavoitteita energiansäästön muodossa. Lähteet: Kuvituskuva Wikimediasta: <https://commons.wikimedia.org/wiki/File:Lightning_3025.jpg> Verkkosivu. Saatavana osoitteesta: <https://www.fleetlogis.fi>. Luettu 2.12.2021. Verkkosivu. Saatavana osoitteesta: <https://www.finchinagate.fi>. Luettu 2.12.2021. Verkkosivu. Saatavana osoitteesta: <https://www.fonecta.fi>. Luettu 2.12.2021. Kuvituskuva Wikimediasta: <https://commons.wikimedia.org/wiki/File:Telephone_operators,_1952.jpg> Kuvituskuva Unsplashista: <https://unsplash.com/photos/oqY09oVTa3k> Osman, A.: Toimipisteen etäohjaus ja -seurantaRaspberry Pin avulla. Opinnäytetyö 2021. 37 s. Verkko-osoite: <https://urn.fi/URN:NBN:fi:amk-2021113022759>. Luettu 2.12.2021. Saatavana osoitteesta: <https://fi.assemblin.com>. Luettu 2.12.2021. Otava, A.: Koneoppimisen hyödyntäminen kiinteistöautomaatiossa. Opinnäytetyö 2021. 29 s. Verkko-osoite: <https://urn.fi/URN:NBN:fi:amk-2021052010011>. Luettu 2.12.2021. Kirjoittaja: Aarne Klemetti työskentelee tutkijaopettajana Metropolia Ammattikorkeakoulussa. aarne.klemetti@metropolia.fi
Tekoälyllä kohti ketterää digisalamointia
Tekoälyn avulla erilaisten tietojärjestelmien toiminnallisuutta voidaan laajentaa käsittämään inhimillisiksi katsottavia taitoja, kuten omatoimista päättelyä, oppimista ja suunnittelemista. Tekoäly osaa työskennellä väsymättömästi oppimallaan rajatulla alueella. Oppiminen tapahtuu joko asiantuntijan sanoittaman eli leimaaman aineiston avulla tai itseoppivasti. Itseoppivuus toteutuu annetun säännöstön ja datan avulla tai tutkimalla ympäristöä käytettävissä olevilla tunnistimilla ja toimilaitteilla. Tekoälyn tuottaminen esimerkiksi koneoppimisen avulla on vaativa laskentatehtävä, jossa tyypillisesti tarvitaan runsaasti dataa ja laskentatehoa. Kun tekoälymalli on saatu opetettua, voidaan se siirtää suoritettavaksi päätelaitteisiin, esimerkiksi kannettaviin tietokoneisiin, älypuhelimiin ja vaikkapa ympäristöään tarkkaileviin ajoneuvoihin. Tekoäly ei ole käyttöönoton jälkeen samalla tavalla lopullinen kuten perinteinen, versioitava tietokoneohjelma, vaan se kehittyy koneoppimisen avulla käytön myötä. Tekoäly on poikkeuksetta erikoistunut oppimaansa ympäristöön: shakkitekoäly on voittamaton shakinpeluussa, mutta ei osaa ajaa autoa. Vastaavasti kuva-analyysitekoäly, joka tunnistaa luotettavasti ihosyövän valokuvien perusteella, ei tiedä, mikä on auton rekisterikilpi. Keskeinen kysymys on se, mitä, miten ja millä aineistolla tekoälyn annetaan oppia.[2] Puuttumatta eettisiin näkökulmiin on tärkeää, että aineiston valinnasta päättävä asiantuntija rajaa tehtävät selkeisiin kokonaisuuksiin: ei kannata pyrkiä kovin kattavaan tekoälyyn, koska se on todennäköisesti liian laaja opetettavaksi ja hallittavaksi. Sen sijaan joukko testatusti toimivia, rajattuja tekoälyjä nostaa tuottavuutta ja päätöksenteon luotettavuutta merkittävästi.[3] Digi-Salamassa tekoäly ja koneoppiminen automaatiossa oli omana teemanaan. Tavoitteena oli ymmärtää ja oppia soveltamaan tarvittavia toimintamalleja, datan keruuta ja muokkausta sekä koneoppimisen periaatteita suhteessa tavoitteisiin. Lisäksi pyrittiin saavuttamaan näkemys siitä, millä tasolla valittujen kohdeyritysten tekoälyosaaminen on ja miten mahdollisiin tarpeisiin voidaan vastata opetussuunnitelmissa. Tekoäly ja YK:n kestävän kehityksen tavoitteet Yhdistyneiden kansakuntien jäsenmaat sopivat vuonna 2015 Agenda 2030:stä, jossa pyritään edistämään kestävää kehitystä aikavälillä 2016-2030. Suunnitelma jaettiin 17 tavoitteeseen, jotka ohjaavat kestävän kehityksen edistämistä.[4] Tekoäly voidaan nähdä mahdollistavana tekijänä näiden tavoitteiden saavuttamisessa. Koko tavoitteisiin pyrkimisen prosessin ajan pitää kerätä ja analysoida dataa, jonka avulla voidaan luoda älykkäitä malleja päätöksenteon tueksi. Esimerkiksi voidaan ottaa älykäs talotekniikka, jonka optimointi säästää energiaa, tuottaa ilmakehään vähemmän hiiliyhdisteitä ja parantaa sisätiloissa oleskelun laatua - vaikuttaa siis osaltaan myös terveyteen. Kestävään kehitykseen liittyvät tekoälymallit eivät synny tyhjästä ja ilman laskentaa. Laskenta on usein niin vaativaa, että siinä tarvitaan supertietokoneen laskenta- ja tallennuskapasiteettia useiden päivien ajan. Se puolestaan kuluttaa myös energiaa. Tutkimuksissa on kehitetty erilaisia mittaustapoja tekoälyyn liittyvien laskentatarpeiden energiankulutuksen huomiointiin. Tarvittavia algoritmeja voidaan optimoida käytön myötä vastaavalla logiikalla kuin itse tekoälyäkin. Vaatimuksia koulutukselle Tekoäly ja koneoppiminen ovat monimutkaisia asioita, joiden tuotantomittaisen soveltamisen hidastavana tekijänä on useimmiten puutteellinen osaaminen. Tätä paikatakseen yritykset pyrkivät kouluttamaan henkilöstöään ja toisaalta ulkoistamaan tarvittavia osaamisia. Nämä molemmat vaihtoehdot sopivat luontevasti ammattikorkeakouluympäristöön, koska opiskelijaryhmien ja opinnäytetöiden avulla voidaan testata ja kehittää erilaisia konsepteja ja prototyyppejä. Tekoäly tieteenä soveltuu tiedekorkeakoulujen opetusohjelmiin ja tutkimuslaitoksiin - alempien oppilaitosten näkökulmasta tarvitaan pikemminkin sovellusosaamista kautta linjan. Tärkeämpää kuin tekoälyn ja koneoppimisen syvällinen ymmärtäminen on käsittää se, miten näitä teknologioita voidaan käytännössä soveltaa ja millaisia kyvykkyyksiä kannattaa sisällyttää yritysten ja oppilaitosten osaamiseen. Kustannuksiltaan tekoälyn ja koneoppimisen soveltaminen ei ole enää kynnyskysymys. Avoimen lähdekoodin alustoilla on tarjolla laaja valikoima kehitystyökaluja algoritmeineen. Niiden käyttämisessä tulee poikkitieteellisiin tiimeihin lisätä data- ja tekoälyosaamista sisältöammattilaisten tueksi. Lisäksi korkeakouluilla on pääsy vaativaa laskentaa tarjoaviin supertietokoneympäristöihin, jolloin myös suurten datajoukkojen käsittely ja koneoppiminen on mahdollista toteuttaa skaalautuvasti. Tärkeämpää kuin jokaisen toimijan ammattimainen tekoälyosaaminen on se, että pystytään tunnistamaan datan eri prosessivaiheiden hallinta: mitä on kerättävä data, mistä sitä voidaan kerätä, mitä sillä voidaan tehdä ja mitä se merkitsee? Näin ollen on syytä ennemminkin tietää, kuka tietää ja mitä pitää tietää, kuin vaatia kaikilta osapuolilta samantasoista teknologista ymmärrystä. Seuraava askel kohti älykkäämpää automaatiota - toimialasta riippumatta - on sen ottaminen osaksi normaalia toimintaa. Tätä tarkoitusta varten opetussuunnitelmiin kannattaa lisätä ainakin käytännölliset, omaa osaamisaluetta palvelevat kurssit esimerkiksi intensiivitoteutuksina. Lisäksi aiheeseen syvällisempää perehtymistä varten tulee tarjota mahdollisuudet ainakin koodaamiseen ja ohjelmistotuotantoon keskittyville opiskelijoille. Lähteet: Kuvituskuva Pixabaysta: <https://commons.wikimedia.org/wiki/File:Artificial-Intelligence.jpg> 6 Biggest Limitations of Artificial Intelligence Technology. Verkkosivu. Saatavana osoitteesta:<https://hackernoon.com/the-missing-pieces-6-limitations-of-ai-s85r3upr>. Luettu 2.12.2021. 5 + 1 myyttiä tekoälystä. Verkkosivu. Saatavana osoitteesta: <https://www.aaltopro.fi/aalto-leaders-insight/2019/5-1-myyttia-tekoalysta>. Luettu 2.12.2021 Kestävän kehityksen tavoitteet. Verkkosivu. Saatavana osoitteesta: <https://www.ykliitto.fi/yk-teemat/kestavan-kehityksen-tavoitteet>. Luettu 2.12.2021. Lisätietoja aiheesta kiinnostuneille: Tekoäly, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Tekoäly>. Luettu 2.12.2021. Koneoppiminen, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Koneoppiminen> Luettu 2.12.2021. Metropolia edistää kestävän kehityksen osaamista ainutlaatuisen tekoälyratkaisun avulla. Metropolian ajankohtaisten uutisten verkkosivu. Saatavana osoitteessa: <https://www.metropolia.fi/fi/metropoliasta/ajankohtaista/uutiset/metropolia-edistaa-kestavan-kehityksen-osaamista-ainutlaatuisen-tekoalyratkaisun-avulla>. Luettu 2.12.2021. YK:n arvot tekoälykehityksen tienviittana. Politiikasta-sivuston verkkosivu. Saatavana osoitteessa: <https://politiikasta.fi/ykn-arvot-tekoalykehityksen-tienviittana/>. Luettu 2.12.2021. Eettinen tekoäly ja algoritmit. Helsingin Yliopiston verkkosivu. Saatavana osoitteessa: <https://www.helsinki.fi/fi/ajankohtaista/ihmisten-teknologia/eettinen-tekoaly-ja-algoritmit>. Luettu 2.12.2021. Sivonen, A., Heikkinen, K.: Tekoäly - uhka vai mahdollisuus amk-opettajalle. Verkkosivu Haaga-Helia eSignals. Saatavana osoitteessa: <https://esignals.fi/kategoria/pedagogiikka/tekoaly-uhka-vai-mahdollisuus-amk-opettajalle/#0dde0fb1>. Luettu 2.12.2021. Kirjoittaja: Aarne Klemetti työskentelee tutkijaopettajana Metropolia Ammattikorkeakoulussa. aarne.klemetti@metropolia.fi
Avustajarobottien aika – autuus vai anarkia?
Terveydenhuollon avustajaroboteista kaavaillaan tulevaisuudessa hoitajapulan ratkaisijoita, vanhusten piristäjiä ja liikuntarajoitteisten uusia jäseniä. Robottien yleistymisen esteenä on ollut vaikeus saada niistä yhtä monipuolisia ja taitavia kuin ihmishoitajat. Kuitenkin myös yksinkertaisemmista avustajaroboteista voi olla suuri apu potilaan itsenäisyyden säilymisen ja arjen sujumisen kannalta. Tulevaisuuden terveydenhuollossa tulemme kulkemaan vääjäämättä kohti teknologisesti kehittyneempää suuntaa, jossa tekoälyä ja robotiikkaa hyödynnetään yhä enenevissä määrin. Avustajarobottien kehitystyössä pyrkimykset ovat jalot ja usko robottien tuomaan autuuteen on kova. Kehitystyön tiimellyksessä saattaa kuitenkin unohtua yksi tärkeä seikka, nimittäin kyberturvallisuus. Miksi kyberturvallisuus sitten tulisi nostaa prioriteetiksi avustajarobotteja suunniteltaessa? Otetaan esimerkiksi Robotemi Globalin kehittämä avustajarobotti Temi. Temi on terveydenhuollon käyttöön soveltuva erilaisia sensoreita, tekoälyä, koneoppimista ja ääniohjausta hyödyntävä robotti. Temissä havaittiin haavoittuvuuksia, jotka mahdollistivat videopuheluiden vakoilun, puheluiden salakuuntelun ja jopa robotin etäohjauksen ilman käyttäjän tunnistusta.(2) Kuinka moni olisi valmis ottamaan tällaisen robotin kotiinsa, tietäen että se on altis kyberhyökkäyksille? Tavallisten ihmisten kiinnostus kyberturvallisuutta kohtaan vaihtelee ja monet asennoituvat “ei minulla ole mitään salattavaa” -ajattelutapaan. Toiset taas kiristävät foliohattuaan aina tiukemmalle tällaisten tapausten tullessa ilmi ja kieltäytyvät kaikesta uudesta teknologiasta. Mutta entäpä jos avustajarobotti onkin käytössä terveydenhuollon yksikössä, jossa se voi kohdata satoja potilaita päivittäin? Tällöin robottiin kohdistuva kyberhyökkäys on laajuudeltaan paljon suurempi ja voi saada huomattavasti enemmän vahinkoa aikaan. Kuka kantaa vastuun näiden robottien turvallisuudesta? Avustajarobottien turvallisuus vanhusten hoidossa Kuvitellaan skenaario, jossa avustajarobotti on vanhuksen kotona. Tällainen on varsin yleistä jo nykypäivänä, mutta erona tulevaisuuden robotteihin on se, että ne toimivat usein hoitohenkilökunnan apulaisena sen sijaan, että ne toimisivat yksittäin hoitotehtävissä. (3) Nykyajan avustajaroboteilla on rajoituksia siinä, minkälaisia liikkeitä ne pystyvät tekemään. Jotkin niistä eivät edes kykene ottamaan kiinni mistään. Tulevaisuudessa jo olemassa olevia malleja luultavasti kehitetään yhä enemmän ihmismäisiksi ulkonäöltään. Tähän on syynä sekä robotin liikkumisen ja toiminnallisuuden että myös luotettavuuden parantuminen. Erään tutkimuksen mukaan ihmiset ottivat jumppaohjeita vastaan suuremmalla motivaatiolla jokseenkin ihmismäiseltä robotilta, kuin ruudulla olevalta tekstiltä. (3) Nämä asiat mielessä pitäen minkälaisia riskejä tulevaisuuden avustajaroboteilla voisi sitten olla? Vanhuksen kotona yksinään olevia etäyhteydellä kaapattuja robotteja voitaisiin käyttää esimerkiksi varastamiseen. Robotin ominaisuuksista riippuen voitaisiin varastaa joko suoraan rahaa vanhusten kotoa, tai mikäli robotti on suunniteltu tarkkailemaan ympäristöään esimerkiksi kameran avulla, voivat myös luottokorttitiedot päätyä vääriin käsiin. Myös identiteettivarkaus on riskinä tulevaisuudessa, kun robotit pystyvät havainnoimaa ympäristöään. Kyberrikollisuuden lisääntyessä vanhusten tulee olla paljon paremmin tietoisia nykytekniikasta. Robotiikan lisääminen vanhusten hoitoon saattaa aiheuttaa heille enemmän haittaa kuin hyötyä. Yksi idea voisi olla, että robotteja käytettäisiin ainoastaan sellaisten vanhusten hoidossa, jotka ymmärtävät kyseisen robotin vaarat. Tällöin hoitohenkilökunta voisi keskittyä sellaisten vanhusten hoitoon, jotka eivät tiedä tekniikasta mitään. Valmius tulevaisuuteen On luonnollista olettaa, että avustajarobottien yleistyessä näiden laitteiden tietoturvaa koskevat vaatimukset ja säädökset kehitettäisiin vastaamaan teknologisen kehityksen mukanaan tuomia uusia uhkia. Kuitenkin esimerkiksi Vastaamoon kohdistuneen tietomurron jälkeen on julkisuudessa herännyt kysymyksiä terveydenhuollon digitalisoitumisen haittapuolista ja siitä kuinka näihin ongelmiin on varauduttu(5). Vastaavia tapauksia on Suomessa olleet myös esimerkiksi Varsinais-Suomen sairaanhoitopiiriin 2015(7), HUS:iin 2016(6) ja Turun yliopistolliseen keskussairaalaan 2017(8) kohdistuneet kiristyshaittaohjelma-hyökkäykset, jotka koskettivat kymmeniä tuhansia tiedostoja potilastietojärjestelmien tietokannassa tai häiritsivät useita sairaalan lääkintälaitteita ja niihin liittyviä tietokoneita. Jopa kotitalouksien puolella erilaisia älykkäitä tietoverkkoon kytkettyjä kodinkoneita on jo käytetty osana palvelunestohyökkäystä, lähettämään roskapostia tai kuuntelemaan käyttäjiään heidän tietämättään.(4) Tällaiset laitteet ovat kuitenkin huomattavasti yksinkertaisempia kuin tekoälyn ohjaama avustajarobotti, eivätkä siis aiheuta niiden käyttäjälle kovin suuria vaaroja. Kodin avustajarobotit ovat tällä hetkellä myöskin niin harvinaisia, että niihin ei ole välttämättä vielä syytä kehittää keinoja murtautua. Kuitenkin älylaitteiden määrän kasvaessa, kasvaa myös niiden tietomurtoriski ja kyseisten laitteiden monimutkaistuessa on laitteiden valmistajien varauduttava yhä monimutkaisempiin tietoturvauhkiin. Tämä myös edellyttää tehokasta ja nopeaa toimintaa lainsäädännön ja valvovien viranomaisten puolelta, jotta näiden laitteiden valmistajilta pystytään vaatimaan asianmukaista suhtautumista kyseisiin ongelmiin ja niiden ennakointiin. On vaikea sanoa mikä määrä laitteen kehitykseen käytettävästä rahasta olisi valmistajan syytä sijoittaa tietoturvaan tai minkälaisia vaatimuksia lainsäädännön puolelta olisi yrityksille syytä esittää, kun kaikkia näiden laitteiden mahdollistamia uusia uhkia ei välttämättä edes voida ennustaa. Erinnäisten hyökkäysten tullessa julki on helppo kritisoida toimien tehottomuutta ja olla valmis heittämään näiden teknologioiden mahdollisuudet pois liian riskialttiina toteuttaa. Ehkä onkin hyvä muistaa, ettei ajatus avustajarobotin roolista tärkeänä ja turvallisena vanhushoidon apuvälineenä tai yhtä olennaisen kodinkoneena kuin jääkaappi nykyään, ole mahdoton. On kuitenkin selvää, että tämän tilanteen saavuttamiseksi on kuljettava vielä pitkä matka. Lähteet: Seppälä Antti. Robottien piti poistaa ikäihmisten hoitajapula ajat sitten – Tutkija: "Lakattaisiinko toistelemasta, että niillä ratkaistaan hoivantarpeet". 27.5.2020. Yle Uutiset. https://yle.fi/uutiset/3-11370380 Osborne Charlie. Black Hat: Hackers can remotely hijack enterprise, healthcare Temirobots. 6.8.2020. ZDNet. https://www.zdnet.com/article/black-hat-healthcare-senior-living-temi-robots-can-be-hijacked-remotely-by-hackers/ Särkikoski, Tuomo; Turja, Tuuli; Parviainen, Jaana. Robotin hoiviin? — Yhteiskuntatieteen ja filosofian näkökulmia palvelurobotiikkaan. 2020. Rauhala Terhi. Älykoti tarjoaa turvaa, vapautta ja itsenäisyyttä. 25.10.2019. Avain. https://www.avainlehti.fi/alykoti-tarjoaa-turvaa-vapautta-ja-itsenaisyytta/ Tuomisto Emmi. Terveydenhuollon tietoturva vaatii petraamista - Kustannukset nousevat myös varmasti. 21.12.2020. Mediuutiset. https://www.mediuutiset.fi/uutiset/terveydenhuollon-tietoturva-vaatii-petraamista-kustannukset-nousevat-myos-varmasti/ad89706d-e86f-4bfc-beed-0ca6dbe3306f Juha Rissanen, Verkkorikolliset tunkeutuvat sairaalan verkkoon, lukitsevat tiedostoja ja vaativat rahaa - Ovatko tietoni turvassa? 29.5.2016 https://yle.fi/uutiset/3-8904018 Tietokonevirus torjuttu sairaanhoitopiirin tietoverkossa, 11.3.2015, muokattu 29.12.2015 https://www.vsshp.fi/fi/sairaanhoitopiiri/media-tiedotteet-viestinta/tiedotteet/Sivut/tietokonevirus-torjuttu.aspx Tuomas keränen, WannaCry-haittaohjelma löytyi TYKS:sta https://www.laakarilehti.fi/ajassa/ajankohtaista/wannacry-haittaohjelma-loytyi-tyks-sta/ Kuvalähde Piqsels, vapaan käyttölisenssin kuva https://www.piqsels.com/en/search?q=robot Kirjoittajat: Hyvinvointi- ja terveysteknologian kolmannen vuoden opiskelijat Aku Korhonen, Ella Lonka ja Joel Saarinen. Hyvinvointi- ja terveysteknologia on yksi tieto- ja viestintätekniikan tutkinto-ohjelman ammatillisista pääaineista.